Transformer+UNet，创新结合

2024深度学习发论文&模型涨点之——Transformer+UNet

Transformer+UNet新模型登上Nature，在多光谱卫星图像检测任务中，准确率提升至99.97％！Transformer擅长处理长距离的依赖关系，捕捉全局信息，而UNet则擅长于精确地定位和保留高分辨率特征。

二者结合后，可以互补各自的不足，实现更高效的图像处理，进而也成为当下研究的热门！

小编整理了一些Transformer+UNet论文合集，以下放出部分，论文原文+开源代码需要的同学关注“AI科研论文”公号，那边回复“Transformer+UNet”获取。

论文1：

AFTer-UNet: Axial Fusion Transformer UNet for Medical Image Segmentation

AFTer-UNet：轴向融合变换器UNet用于医学图像分割

方法：

模型结构：提出了AFTer-UNet模型，该模型结合了U-Net结构和轴向融合变换器编码器，以融合层内和层间的长距离线索来指导分割。

数据集使用：在三个多器官分割数据集上进行了广泛的实验，包括腹部CT和胸部CT数据集，以验证方法的有效性。

模型训练：模型训练时考虑了轴向融合机制，减少了计算复杂度，并在训练过程中采用了dice损失和交叉熵损失的组合。

性能评估：通过Dice系数（DSC）对模型性能进行了评估，并与当前最先